Background:​ Current spine models for analog bench models, surgical navigation and surgical training platforms are conventionally based on 3D models produced from anatomical human body polygon database or reconstructed from manual-labelled subject-specific scanning data. A quick and accurate reconstruction method for subject-specific spine models is important as often such platforms are leveraged to develop or improve treatments. In the meantime, the conventional 3D model evaluation metrics can only reflect overall static model accuracy and lack the specificity to evaluate the model accuracy from different perspectives.

Objective:​ Propose a workflow of automatic subject-specific vertebra reconstruction method and quantify the reconstructed model accuracy and model form errors.

Methods:​ Four different neural networks SegNet, UNet, ResUNet and KiUNet were customized and trained for vertebra segmentation. To test and validate the workflow in clinical applications, an excised human lumbar vertebra was scanned via computed tomography (CT) and was reconstructed into 3D CAD models using the above four refined networks. A reverse engineering solution was proposed using a high-precision measuring robotic arm to obtain the original geometry of the excised vertebra as the gold standard. Several 3D volumetric evaluation metrics and a finite element analysis (FEA) method were designed to show the model accuracy and model form errors for the geometries.

Results:​ The automatic segmentation neural networks achieved the best Dice score of 94.2% in the VerSe and CSI validation datasets. The accuracy of reconstructed models was quantified with the best 3D Dice index of 92.80%, 3D IoU of 86.56%, Hausdorff distance of 1.60 mm, and the heatmaps and histograms were used for error visualization. The FEA results of average von-Mises stress showed the impact of different geometries of the reconstructed vertebra on biomechanical results and reflected partial surface accuracy of the reconstructed vertebra under biomechanical loads with the closest difference of 1.924 × 104 Pa compared to the gold standard model.

Conclusion:​ In this work, a workflow of automatic subject-specific vertebra reconstruction methods was proposed while the errors in geometry and the corresponding stress distribution were quantified. Such errors should be considered when leveraging subject-specific modeling towards the development and improvement of treatments.

Contexte :​ Les modèles de colonne vertébrale actuels pour les modèles de banc analogiques, les plates-formes de navigation chirurgicale et de formation chirurgicale sont traditionnellement basés sur des modèles 3D produits à partir d’une base de données de polygones anatomiques du corps humain ou reconstruits à partir de données de numérisation spécifiques au sujet et étiquetées manuellement. Une méthode de reconstruction rapide et précise pour les modèles de colonne vertébrale spécifiques à un sujet est importante, car ces plates-formes sont souvent utilisées pour développer ou améliorer des traitements. Dans l’intervalle, les métriques d’évaluation de modèles 3D conventionnelles ne peuvent refléter que la précision globale du modèle statique et manquent de spécificité pour évaluer la précision du modèle sous différents angles.

Objectif :​ Proposer un flux de travail de méthode de reconstruction automatique des vertèbres spécifiques au sujet et quantifier la précision du modèle reconstruit et les erreurs de forme du modèle.

Méthodes :​ Quatre réseaux de neurones différents SegNet, UNet, ResUNet et KiUNet ont été personnalisés et entraˆınés pour la segmentation des vertèbres. Pour tester et valider le flux de travail dans l’application clinique, une vertèbre lombaire humaine excisée a été scannée par tomodensitométrie (TDM) et a été reconstruite en modèles CAO 3D à l’aide des quatre réseaux raffinés ci-dessus. Une solution d’ingénierie inverse a été proposée en utilisant un bras robotique de mesure de haute précision pour obtenir la géométrie d’origine comme étalon-or. Plusieurs mesures d’évaluation volumétrique 3D et une méthode d’analyse par éléments finis (FEA) ont été con¸cues pour montrer la précision du modèle et les erreurs de forme du modèle pour les géométries.

Résultats :​ Les réseaux de neurones à segmentation automatique ont obtenu le meilleur score Dice de 94.2% dans les ensembles de données de validation VerSe et CSI. La précision des modèles reconstruits a été quantifiée avec le meilleur indice de dés 3D de 92.80%, IoU 3D de 86.56%, distance de Hausdorff de 1.60 mm, et les cartes thermiques et histogrammes ont été utilisés pour la visualisation des erreurs. Les résultats FEA de la contrainte moyenne de von-Mises ont montré l’impact de différentes géométries de la vertèbre reconstruite sur les résultats biomécaniques et reflétaient la précision partielle de la surface de la vertèbre reconstruite sous des charges biomécaniques avec la différence la plus proche de 1.924 ×104 Pa par rapport au modèle étalon-or.

Conclusion :​ Dans cette étude, un flux de travail de méthodes de reconstruction automatique de vertèbres spécifiques à un sujet a été proposé tandis que les erreurs de géométrie et la distribution des contraintes correspondantes étaient quantifiées. De telles erreurs doivent ˆetre prises en compte lors de l’utilisation de la modélisation spécifique au sujet pour le développement et l’amélioration des traitements.